[논문리뷰] EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery

링크: 논문 PDF로 바로 열기

메타데이터

저자: Young-Jun Lee, Jinheon Baek, et al.

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• EvoDuet: 과학적 발견을 위한 외부 지식 탐색과 문제 해결을 동시에 최적화하는 Bilevel Co-Evolution 프레임워크.
• Normalized Discovery Gain (NDG): 여러 작업의 최적화 성능을 공통 척도로 비교하기 위해 제안된 지표로, 초기값 대비 SOTA(State-of-the-Art) 성능까지의 개선 비율을 측정.
• Retrieval Gate: LLM이 현재 지식의 한계(Knowledge Gap)를 스스로 평가하여, 웹 검색 수행 여부와 저장된 문서 재사용 여부를 결정하는 메커니즘.
• Outer/Inner Loop: 솔루션 생성과 후보군 선별을 담당하는 Outer Loop와, 검색 쿼리를 최적화하고 문서를 랭킹하는 Inner Loop로 구성된 이중 최적화 구조.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

LLM 기반의 진화적 탐색(Evolutionary Search)은 외부 지식이 필요한 경우에 정체되는 한계를 보입니다. 기존 연구들은 웹 검색 도구를 단순 삽입하는 방식을 취하지만, 이는 솔루션이 변경되어도 동일한 페이지를 반복적으로 참조하는 비효율성을 야기하며 탐색 과정을 고착화합니다 [Figure 1]. 이러한 문제를 해결하기 위해 저자들은 LLM의 지식 격차를 능동적으로 판단하고 검색 쿼리를 솔루션 진화 과정과 함께 최적화하는 새로운 접근 방식을 제안합니다. 단순한 정적 검색이 아닌, 문제 해결 과정과 검색 전략을 동시에 진화시키는 동적 시스템이 필수적입니다 [Figure 2].

Figure 1 — 진화적 탐색의 루프 구조

Figure 2 — EvoDuet의 co-evolution 개념

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 솔루션 최적화(Outer Loop)와 쿼리 최적화(Inner Loop)를 결합한 Bilevel Co-Evolution 구조인 EvoDuet을 제안합니다 [Figure 5]. Outer Loop에서는 LLM이 지식 상태를 기반으로 Retrieval Gate를 통해 검색 수행 여부를 결정하며, Inner Loop는 쿼리를 수정하고 문서를 Hypothetical Evidence Scoring으로 랭킹하여 탐색 효율을 극대화합니다. GPT-5.6-Luna 모델 적용 시 NDG를 기존 74.1%에서 78.0%로 향상시켰으며, Gemini-3.8-Flash 사용 시 61.3%에서 82.3%로 대폭 개선되는 정량적 성과를 거두었습니다 [Figure 3]. 또한 Swap Reduction 및 Rosetta 등 총 8개 작업에서 기존 SOTA 성능을 상회하는 결과를 달성하였습니다.

Figure 5 — EvoDuet 전체 아키텍처

4. Conclusion & Impact (결론 및 시사점)

EvoDuet은 웹 검색과 솔루션 진화를 동기화함으로써 LLM 기반 과학적 발견의 효율성을 획기적으로 향상시켰습니다. 본 연구는 검색 도구를 단순히 도구로 사용하는 수준을 넘어, 모델이 자신의 지식 한계를 인지하고 능동적으로 정보를 획득하는 Co-Evolution 체계를 입증하였습니다. 이러한 성과는 향후 복잡한 과학적 문제 해결을 위한 LLM 에이전트 설계 및 도구 활용 전략에 중요한 이정표가 될 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.